Interroger ses données en langage courant : commencer par son outil de BI ou sa plateforme de données, et savoir quand construire le sien

Un assistant « interrogez vos données » permet à vos équipes de saisir une question comme « Quelle a été la marge brute par région le trimestre dernier ? » et d'obtenir en retour un chiffre ou un graphique. Dans la plupart de ces produits, un modèle de langage, le type d'IA qui se trouve derrière ChatGPT, transforme la question en requête de base de données, et c'est la base de données qui fait le calcul. Votre outil de business intelligence (BI) ou votre plateforme de données en propose peut-être déjà un : testez-le en premier, et ne construisez le vôtre que pour les cas que ces outils ne couvrent pas. Sur n'importe quelle voie, l'essentiel du travail consiste à s'accorder sur ce que signifient vos indicateurs.

Comment une question en langage courant devient-elle un chiffre ?

L'assistant lit votre question et écrit une requête dans le langage que comprend votre outil de données. Les bases de données utilisent SQL, et Power BI en utilise un qui s'appelle DAX. La base de données ou l'outil de BI exécute cette requête et renvoie le résultat, que l'assistant affiche sous forme de chiffre ou de graphique. Tableau Agent in Pulse fonctionne autrement : il applique des contrôles statistiques à des indicateurs que vous avez déjà définis et décrit ce qu'il trouve.

Databricks indique que son produit Genie se sert des noms et des descriptions de vos tables « pour convertir des questions en langage naturel en requête SQL équivalente ». Le total sera juste pour la requête exécutée, puisque c'est une base de données qui a fait la somme, mais cette requête n'est peut-être pas celle que vous vouliez.

L'assistant peut-il nous donner un chiffre faux qui a l'air juste ?

Si une requête échoue, vous obtenez en général une erreur et quelqu'un peut examiner le problème. Une requête qui s'exécute mais compte la mauvaise chose vous donne un graphique propre avec un chiffre faux, et rien à l'écran ne le signale. Un chiffre d'affaires qui inclut encore les remboursements ressemble à n'importe quel autre chiffre d'affaires. Il en va de même d'un chiffre au trimestre civil quand votre entreprise publie sur un exercice décalé.

Les éditeurs mettent en garde contre cela dans leur propre documentation. La page de Microsoft sur l'usage responsable de Copilot indique : « Les réponses de Copilot peuvent contenir du contenu inexact ou de faible qualité : veillez donc à vérifier les résultats avant de les utiliser dans votre travail ». Tableau affirme que l'IA générative « peut produire un résultat qui semble plausible mais contient des informations incorrectes ou sans rapport ».

Microsoft précise aussi que si une question ne se rapporte pas au modèle sémantique, qui décrit vos données à Copilot, celui-ci « répond à partir des connaissances générales du grand modèle de langage (LLM) ». Une réponse peut donc ne pas venir de vos données du tout. Ses recommandations ajoutent que « le comportement de l'IA est non déterministe », ce qui signifie que la même question peut recevoir une réponse différente.

Pourquoi faut-il d'abord s'accorder sur les définitions des indicateurs ?

Une table de base de données contient des noms de colonnes et des valeurs. Elle ne sait pas si votre entreprise compte le chiffre d'affaires avant ou après remboursements, et ce savoir se trouve souvent dans un tableur de la finance ou dans la tête de quelqu'un. Un modèle sémantique est l'endroit où ces significations sont consignées pour le logiciel : quelles tables se joignent, comment chaque indicateur est calculé.

« Les solutions d'IA génériques peinent souvent à convertir du texte en SQL lorsqu'elles ne disposent que d'un schéma de base de données, car les schémas ne contiennent pas des connaissances essentielles comme les définitions des processus métier et le traitement des indicateurs », indique la documentation de Snowflake. Microsoft prévient les propriétaires de modèles sémantiques que « sans préparation, Copilot peut mal interpréter les données et renvoyer des résultats génériques ou inexacts ».

Vous pouvez aussi fixer à la main la logique exacte des questions courantes. Power BI parle de réponses vérifiées, et Snowflake de requêtes vérifiées. Databricks a des actifs de confiance (trusted assets), qu'il décrit comme « des exemples de requêtes paramétrées et des fonctions SQL dont la logique exacte a été vérifiée par l'auteur d'un agent ». Malgré cela, Microsoft indique que ses fonctions de préparation « ne peuvent pas garantir un résultat précis à chaque fois ».

Si les ventes et la finance ont chacune leur propre chiffre d'affaires, aucun logiciel ne peut trancher. Une personne senior doit décider quelle définition l'emporte et la consigner par écrit avant toute démonstration.

Que nous apporte l'IA intégrée à notre outil de BI ?

Copilot pour Power BI travaille à partir de vos modèles sémantiques existants : vous réutilisez un travail déjà fait. Microsoft indique que le volet à côté d'un rapport est en disponibilité générale. Le chat autonome en plein écran est encore en préversion, et Microsoft dit qu'il « sera retiré » lors d'une phase ultérieure, quand Microsoft Copilot, actuellement en préversion publique dans Power BI, deviendra l'expérience principale. Aucune date n'est fixée, et Microsoft dit qu'elle « publiera la date de retrait définitive ».

Copilot pour Power BI exige une « capacité Fabric payante (F2 ou supérieure) ou Power BI Premium (P1 ou supérieur) », un bloc de puissance de calcul que votre entreprise paie, de sorte qu'une licence Pro par personne ne suffit pas. Le nouveau Copilot fonctionne selon d'autres conditions, puisque Microsoft indique : « Vous n'avez pas besoin d'utiliser Copilot dans Fabric, ni d'avoir accès à un SKU F, pour utiliser Copilot dans ce scénario » ; demandez donc lequel vos licences couvrent.

Tableau propose deux assistants pour cela. Tableau Agent in Dashboards permet de saisir une question sur un tableau de bord publié, et Tableau indique qu'il « interrogera la source de données sous-jacente ». Il exige l'édition Tableau Cloud+ ou le Tableau+ Bundle sur Tableau Cloud, ou Tableau Server+ à partir de la version 2026.3 sur Tableau Server, où il est encore en bêta. Tableau Agent in Pulse, décrit dans les pages d'aide de Tableau comme « une fonctionnalité Tableau+ » de Tableau Cloud, répond à partir d'indicateurs que vous avez déjà définis. Il « ne peut pas répondre aux questions sur des colonnes qui ne sont pas utilisées dans les indicateurs ni sur les métadonnées de la source de données ». Tableau indique que les analyses de Pulse partent de « modèles statistiques standardisés et déterministes pour détecter des faits sur les indicateurs », et que les phrases que vous lisez sont générées à partir de ces faits.

L'assistant ne voit que ce qui a été configuré pour le reporting : il ne peut donc pas utiliser un champ que personne n'a ajouté au modèle. Microsoft choisit le modèle de langage de Copilot. Pour les équipes qui travaillent dans d'autres langues, Microsoft indique que les fonctions de Copilot « peuvent être moins performantes » qu'en anglais. Tableau Server est différent, car il « repose sur la connexion à votre propre fournisseur de LLM et son utilisation ».

Que nous apporte l'assistant de notre plateforme de données ?

Ces assistants travaillent sur les tables que vous leur connectez : ils peuvent donc atteindre des données qui ne sont jamais arrivées dans un rapport. Ces tables en sont la limite. Databricks indique qu'un Genie Agent « n'utilise que les sources de données explicitement rattachées », au plus 50 tables ou vues, et conseille : « Visez cinq tables ou moins ». Cortex Analyst de Snowflake répond à partir de « données structurées dans Snowflake », bien que Snowflake « recommande désormais de passer à Cortex Agents, qui prend en charge toutes les capacités de Cortex Analyst avec une meilleure qualité de réponse ».

Databricks propose Genie : les équipes data y configurent des Genie Agents avec « des données, des indicateurs et des règles métier de confiance », et les équipes posent leurs questions via Genie One.

Quelqu'un chez vous doit rédiger de bonnes descriptions de vos données, car, selon Databricks, « des descriptions de tables et de colonnes de qualité dans Unity Catalog sont essentielles à l'exactitude de Genie ». Databricks précise aussi : « Les données de l'agent Genie doivent être enregistrées dans Unity Catalog », sa liste centrale des tables et des autorisations. Tout ce qui se trouve hors de la plateforme doit d'abord y être déplacé ou connecté.

Sur le traitement des données, Snowflake indique que Cortex Analyst « ne s'entraîne pas sur les données du client ». Il précise aussi : « Vous ne pouvez pas choisir directement un modèle », car chaque requête est envoyée au modèle le mieux classé que votre rôle peut utiliser, dans une liste qui commence par Anthropic Claude Sonnet 4.6 et se termine par Mistral Large 2 et Llama 3.1 70b.

Sur ces voies, le modèle de langage est exploité par l'éditeur ou par un partenaire qu'il désigne, et Databricks cite Azure OpenAI Service et OpenAI on Databricks pour les Genie Agents en mode Chat. Tableau Server fait exception, puisqu'il se connecte à votre propre fournisseur de modèle. Si vos règles exigent des serveurs que vous contrôlez, l'article sur un ChatGPT privé, cité plus bas, explique ce que cela demande.

Quand vaut-il la peine de construire le nôtre ?

Un développement sur mesure est un logiciel conçu pour vous autour d'un modèle de langage. Il transforme les questions en requêtes à partir de vos propres définitions et renvoie les réponses là où vous le décidez. Construire se justifie si au moins l'une de ces conditions est remplie :

• Les réponses vont dans votre propre produit, pour vos propres clients
• Une question nécessite des données issues de systèmes que les outils des éditeurs n'atteignent pas, par exemple un back-office interne à côté d'un entrepôt de données
• Vos règles exigent que les données et le modèle restent sur des serveurs que vous contrôlez
• Vous avez besoin d'un comportement que l'outil de votre éditeur ne propose pas, comme refuser toute question qui sort d'une liste d'indicateurs approuvés

Si vos données se trouvent déjà sur une seule plateforme, une étape plus modeste peut venir d'abord. Snowflake propose Cortex Analyst sous forme d'API REST, une interface que d'autres programmes peuvent appeler, pour des usages tels que des « interfaces de chat personnalisées », et les Cortex Agents, le produit qu'elle recommande désormais, peuvent être appelés de la même façon. Databricks indique qu'on peut « intégrer des Genie Agents dans votre propre chatbot, agent ou application ». Vous construisez les écrans et la plateforme écrit les requêtes.

Construire se justifie difficilement quand les questions viennent de vos propres équipes et que l'assistant d'une seule plateforme réussit votre test. Cela ne règle pas non plus des définitions floues. Si vous ne savez pas encore dire comment le chiffre d'affaires est calculé, un développement sur mesure vous donnera aussi de mauvais chiffres, et il coûtera plus cher. Après le lancement, l'entretien vous revient ; les articles ci-dessous expliquent qui peut faire ce travail et pourquoi les pilotes d'IA s'enlisent.

L'assistant peut-il montrer à des personnes des données qu'elles n'ont pas le droit de voir ?

La sécurité au niveau des lignes (RLS) est ce qui empêche, par exemple, un responsable régional de voir une autre région que la sienne. Elle doit être appliquée là où vivent les données, car une ligne dans les instructions de l'assistant ne peut pas empêcher une requête de lire une table. Chaque voie la gère différemment :

• Power BI : « Copilot ne peut accéder qu'aux données auxquelles l'utilisateur actuel a l'autorisation d'accéder ». Microsoft ajoute qu'« il est essentiel que les consommateurs et les créateurs de contenu ne possèdent que l'autorisation Lecture sur le modèle sémantique sous-jacent lorsque la RLS doit être appliquée », car la sécurité au niveau des lignes peut ne pas s'appliquer aux personnes disposant de droits plus étendus
• Tableau : pour les indicateurs dans Pulse, « les données que les utilisateurs voient en consultant un indicateur respectent la sécurité au niveau des lignes appliquée à la source de données », et Tableau indique que Tableau Agent in Dashboards fonctionne « en respectant strictement toutes vos autorisations Tableau, tous vos contrôles d'accès et votre sécurité au niveau des lignes existants »
• Snowflake : les requêtes générées « respectent tous les contrôles d'accès établis », et les politiques d'accès aux lignes définies sur les tables sous-jacentes « se propagent aux vues sémantiques et sont appliquées ». Les politiques d'accès aux lignes exigent l'édition Enterprise ou supérieure, et une personne qui peut interroger une vue sémantique « n'a pas besoin d'un accès distinct aux tables sous-jacentes » : les droits sur les tables seuls ne suffisent donc pas à séparer les personnes
• Databricks : « L'accès aux données est toujours évalué avec les propres autorisations Unity Catalog de chaque utilisateur final », et les filtres de lignes d'Unity Catalog sont « appliqués automatiquement pour chaque utilisateur »
• Développement sur mesure : votre logiciel doit transmettre l'identité de chaque personne jusqu'à la base de données, faute de quoi chaque question s'exécute sous un compte partagé et les gens voient tout ce que ce compte peut voir. Le guide de Snowflake pour les produits au service de nombreux clients indique : « Snowflake n'authentifie pas vos utilisateurs finaux ; c'est votre serveur d'application qui le fait. » Pour une connexion Power BI conçue pour des agents d'IA, Microsoft avertit que « Power BI n'applique pas la RLS lorsque vous utilisez l'authentification par principal de service », ce qui signifie se connecter avec un compte logiciel

Les règles d'accès peuvent aussi faire dire quelque chose de faux à l'assistant. Un des guides pour développeurs de Snowflake cite le cas d'un agent qui indique qu'une région n'a aucun chiffre d'affaires. Il en donne la cause : « La politique d'accès aux lignes a masqué ces lignes, et l'agent ne peut pas distinguer masqué et absent ». Faites dire à l'assistant que ses résultats ne couvrent que ce que la personne a le droit de voir, et testez chaque rôle avec un identifiant qui ne devrait pas voir ces données.

Combien coûte un assistant « interrogez vos données » ?

Vous payez deux choses sur la plupart des voies. Le calcul est la puissance de calcul qui exécute la requête sur vos données. L'usage du modèle correspond à la transformation de la question en requête, et la plupart des éditeurs le facturent en tokens, les morceaux de texte qu'un modèle de langage lit et écrit. Cortex Analyst de Snowflake facture au message lorsqu'on l'appelle via sa propre API. Les prix ci-dessous sont en dollars américains, d'après les tarifs publiés par les éditeurs pour les régions américaines :

• Power BI : Copilot pour Power BI puise dans la capacité Fabric ou Premium que vous payez, à raison de 100 secondes d'unité de capacité par 1 000 tokens en entrée et 400 par 1 000 tokens en sortie. La grille tarifaire publique d'Azure indique 0,18 $ par unité de capacité et par heure, en paiement à l'usage dans East US : la requête type de Microsoft, avec 2 000 tokens en entrée et 500 en sortie, consomme donc environ 2 cents de capacité. Une capacité F64 de 64 unités, la taille de l'exemple de Microsoft, coûte environ 276 $ par jour à ce tarif, et vos rapports utilisent la même capacité. Microsoft indique : « Fabric facture séparément toute action en aval déclenchée par Copilot »
• Tableau : ses pages d'aide associent ces fonctions d'IA à l'édition Tableau Cloud+ ou au Tableau+ Bundle sur Tableau Cloud, et à Tableau Server+ sur Tableau Server, où l'usage du modèle est « facturé directement, selon votre accord spécifique avec votre fournisseur de LLM ». Demandez un devis à Tableau
• Snowflake : Cortex Analyst via son API est facturé 67 Platform Credits par 1 000 messages. À la demande sur AWS US East, un crédit coûte 2,00 $ en édition Standard et 3,00 $ en Enterprise : 1 000 messages coûtent donc 134 $ ou 201 $. « Des coûts d'entrepôt supplémentaires s'appliquent lorsque vous exécutez le SQL généré par Cortex Analyst. » Avec Cortex Agents, la facturation passe aux tokens, à des tarifs propres à chaque modèle
• Databricks : « L'utilisation de Genie One et des Genie Agents par les utilisateurs est gratuite jusqu'au 31 janvier 2027. » Les comptes logiciels (principaux de service) sont exclus et « leur utilisation est facturée », et « le calcul utilisé pour exécuter les requêtes générées par Genie, comme un entrepôt SQL, est facturé séparément ». Après cette date, Databricks indique que les produits Genie sont « facturés selon un modèle de paiement à l'usage », avec une franchise mensuelle gratuite par utilisateur : demandez donc ce que l'usage coûtera à votre volume
• Développement sur mesure : vous payez directement le fournisseur du modèle, plus le calcul de votre propre base de données et les ingénieurs qui construisent et exploitent le système. Anthropic affiche Claude Sonnet 5.5 à 2 $ par million de tokens en entrée et 10 $ par million de tokens en sortie : les mêmes 2 000 tokens en entrée et 500 en sortie coûtent donc environ 1 cent. Les vraies requêtes embarquent vos descriptions de tables et sont plus volumineuses

Ces chiffres ne couvrent pas les mêmes choses : ajoutez donc le calcul à chacun avant de les comparer. Microsoft conseille de commencer par un petit groupe pilote et indique : « Déployer largement sans valider les schémas de consommation peut rapidement épuiser votre capacité ».

Comment le tester avec des questions dont nous connaissons déjà les réponses ?

Construisez le test avant de choisir un produit. Prenez quelques dizaines de questions réelles que posent vos équipes et notez la bonne réponse à chacune, à partir d'un rapport validé par votre équipe financière. Passez-les dans chaque produit de votre présélection et notez chaque réponse. L'ensemble doit comprendre :

• Des questions à une seule bonne réponse, tirées de rapports validés, dont certaines combinent deux sujets, comme la marge par produit et par mois
• La même question, formulée autrement par des personnes de services différents, pour voir si vos définitions tiennent
• Des questions que l'assistant doit refuser, par exemple sur des données qu'il ne détient pas, car une réponse inventée est la défaillance qu'il vous importe le plus de repérer
• La même question sous les identifiants de personnes aux accès différents, pour vérifier la sécurité au niveau des lignes

Un total juste peut sortir d'une requête fausse par pur hasard : notez donc la requête autant que le chiffre. Databricks propose des benchmarks pour « tester et noter votre agent de façon systématique sur son exactitude globale », et Snowflake explique qu'on peut exécuter « vos requêtes vérifiées sur Cortex Analyst » et mesurer la justesse du SQL généré. L'article sur le test d'un assistant IA, cité plus haut, explique comment fixer les seuils de réussite à l'avance.

Microsoft indique que si vous posez la même question sur un modèle sémantique inchangé « dans une fenêtre glissante de 24 heures », Copilot répond depuis son cache, une copie enregistrée de la réponse précédente. Ne comptez donc pas un nouveau test le lendemain matin. Relancez l'ensemble complet plus de 24 heures plus tard, et de nouveau chaque fois que l'éditeur change de modèle ou que vous changez une définition.

Comment nos équipes peuvent-elles vérifier d'où vient une réponse ?

Les gens ne peuvent pas vérifier un chiffre sans contexte : demandez donc que chaque réponse nomme la définition utilisée et la période couverte. Power BI propose une vue intitulée « How Copilot arrived at this », et Genie répond avec « la requête générée et le tableau de résultats, si possible ». La page de Microsoft sur son nouveau Copilot en préversion demande aussi aux utilisateurs de « valider les décisions importantes par rapport aux données sources ». Fixez la règle que tout chiffre destiné au conseil d'administration ou à un client est d'abord vérifié par rapport au rapport source.

Que demander à un éditeur de BI ou de plateforme de données ?

• Lesquels de nos indicateurs répondra-t-il à partir de définitions convenues, et que se passe-t-il pour une question hors de ces définitions ?
• Avec les autorisations de qui chaque requête s'exécute-t-elle, et comment le tester avec l'identifiant d'une seule personne ?
• Quels fournisseurs de modèles traitent nos questions et nos données, et dans quelle région ?
• Combien coûte un mois de notre volume réel de questions, calcul des requêtes et minimums compris ?
• Pouvons-nous voir la requête derrière chaque réponse et en conserver un journal ?
• Cette fonctionnalité est-elle en disponibilité générale, et par quoi doit-elle être remplacée ?
• De combien de temps sommes-nous prévenus avant que le modèle change, pour pouvoir relancer nos tests ?

Que demander à une société qui le construirait ?

• Où vivront les définitions des indicateurs, et nos analystes peuvent-ils les modifier sans développeur ?
• Comment l'identité de chaque personne parvient-elle à la base de données, et que se passe-t-il quand elle manque ?
• Quel modèle écrit les requêtes, et quelles données quittent nos serveurs ?
• Comment testerez-vous avec des questions dont nous connaissons déjà les réponses, et qui, chez nous, valide ?
• Quand l'assistant a un doute, le dit-il ou devine-t-il ?
• Serons-nous propriétaires du code, des définitions, des jeux de tests et des journaux à la fin ?

Où se situe amBrain ?

amBrain publie ce blog. Sur son propre produit, elle dit : « Notre propre produit, shyash.ai, repose sur des agents IA qui recherchent, rédigent, vérifient et mesurent à partir d'une mémoire commune des faits de l'entreprise. Une personne approuve tout ce qui est publié. »

Cet article n'est pas une étude de cas et ne décrit aucun travail pour un client ; il ne prétend pas non plus qu'amBrain a construit un assistant « interrogez vos données » pour un client. La ligne ci-dessus concerne le propre produit d'amBrain, et les exemples sont généraux.

Les entreprises citées ici le sont d'après leurs pages publiées, toutes consultées le 9 novembre 2026. L'article ne revendique aucun lien entre amBrain et aucune d'elles, et n'indique ni tarifs ni délais d'amBrain.

amBrain développe des logiciels depuis 2019. Sur sa façon de travailler avec ses clients, elle dit : « Trois formats : livraison complète, équipe dédiée ou ingénieurs intégrés à votre équipe. » Sur la propriété, sa formule est : « Le client conserve la pleine propriété du produit et du code, à l'exception de nos composants réutilisables. » Demandez la liste nominative de ces composants avant de signer.

Si amBrain figure dans votre présélection, posez-lui les mêmes questions qu'à n'importe quelle autre société.